Oct, 2018

自动化评估自动驾驶语义分割鲁棒性

PDF
TL;DR本文介绍了一种用于分析语义分割模型稳健性的新方法，并提供了一些指标以评估在各种环境条件下的分类性能。该过程还结合了另一种传感器（lidar）以自动化处理过程，消除了验证数据的手工标注需求。实验结果表明，语义分割模型的性能因天气、相机参数、阴影等因素而异，并演示了如何在改进模型后比较和验证各种网络的性能。
autonomous vehiclesperception systemssemantic segmentationlidarenvironmental conditions
发现论文，激发创造
  • 对语义分割模型鲁棒性的基准测试

    本研究的目的是针对 DeepLabv3+ 模型在语义分割应用中的鲁棒性进行全面调查，研究结果显示性能与鲁棒性有很大关系，而有些架构属性则对鲁棒性产生了显著影响。

    Aug, 2019

  • 基于 LiDAR 的语义分割模型鲁棒性基准测试

    本文旨在全面分析 LiDAR 语义分割模型在各种损坏情况下的鲁棒性，并通过提出的新基准 SemanticKITTI-C 系统地研究了 11 种不同的 LiDAR 语义分割模型。根据对实验的观察和分析，我们发现输入的表示对模型的鲁棒性起着至关重要的作用，并提出了一种改进的模型 RLSeg，通过简单而有效的修改方法，极大地提高了模型的鲁棒性。

    Jan, 2023

  • 自动驾驶全景分割鲁棒性的基准测试

    准确的情景感知对于辅助和自动驾驶功能 (AAD) 的安全决策至关重要。全景分割是一种有前景的感知技术，可以在像素级别上识别和分类对象、潜在危险和可驾驶空间。本研究提出了一个统一的流程，评估全景分割模型在 AAD 中的鲁棒性，并将其与传统图像质量进行相关联。

    Feb, 2024

  • 自动驾驶的语义分割：模型评估、数据集生成、视角比较和实时性能

    研究了在自动驾驶汽车中使用的感知方法，发现 FasterSeg 模型在实时低功耗计算设备上运行速度快，并通过比较第一人称和鸟瞰图的准确性和速度，得出 FasterSeg 模型在两种视角的 mIoU 结果并提出了一种生成合成数据的简单方法，并在目标硬件上比较了两种视角的帧率和精度。

    Jul, 2022

  • 信任语义分割网络

    该研究通过对不同模型进行实验，探讨了通过使用熵等简单度量方法来捕捉高召回率的错分情况，以分析语义分割中的失败案例和预测准确性的问题。

    Jun, 2024

  • 自主车辆的单目语义地图定位

    提出了一种新颖的轻量级视觉语义定位算法，通过稳定的语义特征代替低级纹理特征，结合离线构建的语义地图和在线的数据关联实现实时的自动驾驶定位。实验结果表明，该方法在各种自动驾驶定位任务中是可靠且实用的定位解决方案。

    Jun, 2024

  • 超越现有技术的图像分割任务的透明度失真鲁棒性

    我们提出了一种方法，用空间变化的失真合成现有数据集，实验证明这种失真效果会降低最先进的分割模型的性能。预训练和扩展模型容量证明是缓解性能降低的有效策略，而仅在失真图像上进行微调只能带来边缘性能改进。

    May, 2024

  • ConstScene: 在施工环境中推进鲁棒语义分割的数据集和模型

    针对建筑工地的多样挑战，介绍了一个新的语义分割数据集，以增强目标检测模型在不同的天气和环境条件下的训练和评估，从而促进其在实际建筑应用中的适应能力和可靠性。

    Dec, 2023

  • 深度语义分割的三重审视：注重效率、时间性和深度感知的设计

    本文针对自主行驶场景下的语义分割问题进行了调研，从模型开发、RGB-D 数据集集成、时域信息模型三个方面讨论了目前最相关和最新的深度学习方法，旨在为读者提供关于这一激动人心和具有挑战性的研究领域的最新进展。

    Mar, 2023

  • 自动驾驶的标签高效视觉抽象

    研究降低语义分割标注成本对行为克隆代理学习的影响，发现利用视觉抽象表示可实现更佳的标注效率和驾驶性能，并发现了其他训练优势。

    May, 2020